ccna90

هوش مصنوعی

هوش مصنوعی چیست و چطور کار میکند

در این مقاله سعی داریم تا مبحث هوش مصنوعی را تا جایی که درک آن  آسان است به شما توضیح دهیم 

 

موضوعات این مقاله به شرح زیر میباشد 

 

هوش مصنوعی چیست؟
نظریه تورینگ چیست ؟

 

{ انواع مختلف هوش مصنوعی }

 

هوش مصنوعی نمادین
هوش مصنوعی عصبی
شبکه‌های عصبی
هوش اجتماعی

 

 { شیوه‌ها و ابزارها } 

 

نمايش معلومات
ادراك
یادگیری عمیق 
پردازش زبان طبيعی

 

 { کاربردها }

 

تجزیه و تحلیل نظرات
الگوریتم‌های جست‌وجو 
مقايسه، استدلال و حل مسائل
برنامه ریزی

 

 

 

 


 

 

 

 

هوش مصنوعي، هوش ماشين هاست! در واقع شاخه اي از علوم كامپيوتر است كه قصد دارد راه حل هاي الگوريتمي را ارائه كند تا بتوانيم به وسيله آنها در ماشين ها هوشمندي ايجاد كنيم.
 
اما اين تعريف كافي نيست؛ اول از همه بايد بدانيم كه تعريف هوشمندي چيست و بعد بايد منظور از ماشين را دربيابيم:استدلال، منطق، تصميم گيري ؛ اين ها توانايي هستند كه شما از آنها استفاده مي كنيد.
 
پس شما هوشمند هستيد. اگر اين توانايي ها را در كامپيوتر هم ايجاد كنيم، آنگاه به ماشين هوشمند دست مي يابيم! به همين سادگي … ولي به جز اين ها چيز هاي ديگري هم در رابطه با تعريف هوشمندي وجود دارند كه دانستن آنها را مي توان مهم ارزيابي كرد.
 
در واقع بحث هايي كه در مورد هوشمندي و هوش مصنوعي مطرح شده است؛ تنها به دوره ي امروزه ي ما و قرن 21 مربوط نمي شود، بلكه از سال 1950 اين مباحثبه طور جدي مطرح شد
 
طبق تعریفی که تورینگ انجام داده : اگر شما پشت یک ترمینال بشینید و با دو نفر چت کنید و متوجه نشوید که کدام یک از آنها انسان است و کدامیک کامپیوتر، آنگاه انسان موفق به ساخت هوش مصنوعی شده است.
خب اگر این تعریف کامل و دقیق باشه همین الان چت بات ها فاصله کمی تا دستیابی به این هدف دارند.

 

در سال‌های آغازین هوش مصنوعی ( AI:Artificial Intelligence) تمرکز کاملا برروی توسعه سیستم‌هایی بود که بتوانند فعالیت‌های هوشمندانه(البته به زعم آن روز) انسان را مدل کنند
و چون چنین فعالیت‌هایی را در زمینه‌های کاملاً خاصی مانند بازی‌های فکری، انجام فعالیت‌های تخصصی حرف‌های، درک زبان طبیعی و…. می‌دانستند، طبیعتا به چنین زمینه‌هایی بیشتر پرداخته شد.
در زمینه توسعه بازی‌ها، تا حدی به بازی شطرنج پرداخته شد که غالباً عده‌ای هوش مصنوعی را با شطرنج همزمان به خاطر می‌آورند.
مک‌کارتی که از بنیان‌گذاران هوش مصنوعی است این روند را آنقدر اغراق‌آمیز می‌داند که می‌گوید:
محدود کردن هوش مصنوعی به شطرنج مانند این است که علم ژنتیک را از زمان داروین تا کنون تنها محدود به پرورش لوبیا کنیم
 

نظريه تورينگ  چیست ؟

تئوري تورينگ مبتني بر اين بود كه مي توانيم با استفاده از نشانه ها و اعدادي مانند 0 و 1، هر استدلال رياضي اي را در كامپيوتر عملي كنيم.
 
همزمان با اين نظريه كشف هاي تازه اي در زمينه ي عصب شناسي، نظريه اطلاعات و فرمانشناسي، به وقوع پيوسته بود.
 
اين پيشرفت ها الهام بخش گروهي كوچك از پژوهشگران شد تا به طور جدي به مساله ايجاد يك مغز الكترونيكي رسيدگي نمايند
 
اگر به دنبال اطلاعات بیشتری از این نظریه میباشید میتوانید از سایت های معرفی شده در زیر کمک بگیرید

 

 

 

 

نقش هوش مصنوعی هر روز در زندگی ما بیشتر می‌شود. آخرین ترند در این زمینه تراشه‌های هوش مصنوعی و کاربردهای مختلف آن‌ها در گوشی‌های هوشمند است.

 

اما شروع توسعه‌ی این تکنولوژی در واقع به خیلی قبل‌تر برمی‌گردد؛ یعنی زمانی در دهه‌ی ۵۰ میلادی که «دانشگاه دارتموث» (Dartmouth College)
در ایالات متحده یک پروژه‌ی تحقیقات تابستانی را به هوش مصنوعی اختصاص داد.
ریشه‌های هوش مصنوعی را حتی می‌توان در عمق بیشتری از تاریخ و در فعالیت‌های «آلن نیوئل» (Allen Newell)،  «هربرت ای. سیمون» (Herbert A. Simon) و «آلن تورینگ» (Alan Turing) جست‌وجو کرد.

 

آزمون مشهور تورینگ در سال ۱۹۵۰ توسط او در مقاله‌ای مطرح شد. این مقاله یکی از اولین اسنادی است که در آن به وجود آمدن ماشین‌های هوشمند پیش‌بینی شده است.

 

با این حال مقوله‌ی هوش مصنوعی تا پیش از معرفی شدن سوپرکامپیوتر «دیپ بلو» (Deep Blue) توسط کمپانی IBM هنوز توجه جهانیان را به خود جلب نکرده بود.

 

این سوپرکامپیوتر اولین ماشینی بود که توانست قهرمان شطرنج جهان «گری کاسپارف» (Garry Kasparov) را در مسابقه‌ای که در سال ۱۹۹۶ میلادی برگزار شد شکست دهد.

 

الگوریتم‌های هوش مصنوعی برای سال‌های متمادی است که در دیتاسنترها و کامپیوترهای بزرگ استفاده می‌شوند، ولی حضور آن‌ها در حوزه‌ی لوازم الکترونیک مصرفی به سال‌های اخیر برمی‌گردد.
 

 

 

 

هوش مصنوعی نمادین

 

هوش مصنوعی نمادین (Symbolic) با نمادهایی انتزاعی کار می‌کند که برای نشان دادن دانش استفاده می‌شوند.
هوش مصنوعی نمادین، هوش مصنوعی کلاسیکی است که بر اساس این ایده کار می‌کند که تفکر انسان را می‌توان در سطحی سلسله مراتبی و منطقی بازسازی کرد.

 

در این روش اطلاعات از بالا با کار کردن روی نمادهای معنی‌دار برای انسان، ارتباطات انتزاعی و نتیجه‌گیری‌های منطقی پردازش می‌شوند.

 

هوش مصنوعی عصبی

 

هوش مصنوعی عصبی (Neural AI) در اواخر دهه‌ی ۸۰ میلادی در علوم کامپیوتر محبوبیت پیدا کرد.
در این گونه، دانش با استفاده از نمادها نمایش داده نمی‌شود، بلکه به جای آن، نورون‌های مصنوعی و ارتباط میان آن‌ها نماینده‌ی دانش هستند.

 

این هوش مصنوعی چیزی شبیه به یک مغز بازسازی شده است. در این روش دانش کسب شده به قطعاتی کوچک‌تر (نورون‌ها) خرد و سپس از آن گروه‌هایی متصل به هم تشکیل می‌شود.

 

این نوع هوش مصنوعی رویکردی پایین به بالا دارد. بر خلاف هوش مصنوعی نمادین، یک سیستم هوش مصنوعی عصبی باید ابتدا آموزش داده شود
و در معرض محرک‌هایی قرار بگیرد تا شبکه‌های عصبی در آن تجربه کسب کنند، بزرگ شوند و اندوخته‌ی دانش بیشتری داشته باشند.

 

 

 

 

 
 

 

 

 


 

هوش اجتماعی

احساسات و مهارت هاي اجتماعي، دو بخش مهم از هوش مندي را تشكيل مي دهند. اولا، باعث مي شود كه ماشين هوشمند بتواند عكس العمل طرف مقابل را در برابر يك رفتار خاص، تشخيص دهد.

 

كه اين كار با درك از انگيزه فرد و احساسات او عملي خواهد شد ثانيا؛ براي تعامل بهتر بين انسان و كامپيوتر، ماشين هوشمند بايد بتواند كه احساساتي را از خود بروز دهد.

 

در بدترين حالت، اين امر بايد به صورت نشان دادن احساسات ضعيف در گفتار و با كمال ادب انجام گيرد و در بهترين حالت بايد با حساسيت طبيعي و مناسب در برابر انسان همراه باشد.
 
در واقع سعي بر اين است كه كامپيوتر طوري عمل كند كه اگر با لحن بدي با او حرف زديد، با كمال ادب به شما پاسخي مناسب با لحن خودتان دهد. و بالعكس!نكته مهم:

 

مساله كمال ادب بسيار مهم است چون كامپيوتر در صورت عدم رعايت اين موضوع، موجوديت خودش را به خطر خواهد انداخت
و در اين صورت نياز به يك الگوريتم براي كشتي گيري انسان و كامپيوتر (يا ربات) هم به شدت احساس مي شود.
 

شبکه‌های عصبی

 

شبکه‌های عصبی (Neural Networks) در لایه‌هایی سازماندهی می‌شوند که با خطوطی شبیه‌سازی شده به یکدیگر متصل هستند.
بالاترین لایه، لایه‌ی دریافت است. این لایه مانند حسگری عمل می‌کند که اطلاعات را برای پردازش دریافت می‌کند و آن‌ها را به لایه‌های پایین‌تر می‌فرستد.

 

این فرآیند پس از دریافت اطلاعات با حداقل دو لایه‌ی دیگر (در سیستم‌های بزرگ تا بیش از بیست لایه)  ادامه پیدا می‌کند که به صورت سلسه مراتبی روی هم قرار دارند
و اطلاعات را با استفاده از پیوندها دسته‌بندی و ارسال می‌کنند.

 

در پایین‌ترین بخش سلسله مراتب لایه‌ی خروجی قرار دارد که به طور معمول تعداد نورون‌های مصنوعی آن از تمام لایه‌های دیگر کمتر است.
این لایه داده‌های محاسبه شده را به فرمتی تبدیل می‌کند که برای ماشین قابل خواندن باشد.

 


 

 

 

 

 

ابزارها و شیوه‌های مختلفی برای به کار بردن هوش مصنوعی در دنیای واقعی وجود دارد که برخی از آن‌ها را می‌توان در ترکیب با هم استفاده کرد.
اساس کار تمام این روش‌ها «یادگیری ماشینی» (Machine Learning) است. تعریف یادگیری ماشینی سیستمی است که تجربه را به دانش تبدیل می‌کند.

 

این پروسه به سیستم این توانایی را می‌دهد که الگوها و قوانین را با سرعتی که همواره در حال افزایش است شناسایی کند.
در انواع مختلف یادگیری ماشینی از هر دو نوع هوش مصنوعی نمادین و عصبی استفاده می‌شود.

 

نمايش معلومات

نمايش معلومات و مهندسي معلومات مركز توجه در پژوهش هاي هوش مصنوعي بودند.

 
بسياري از دستگاه هاي حل مساله براي حل مسائل نيازمند معلومات گسترده و وسيعي بودند اين معلومات عبارت مي شد از :
 
شناختن اشياء، خواص و اقلام- شناختن روابط بين اشياء- درك موقعيت، نوع واقعه و زمان و مكان- علت ها و تاثير عوامل و بسياري چيز هاي ديگر

و سخت ترين مشكلات درباره نمايش اطلاعات و معلومات عبارت بود از

 
استدلال پيش فرض و مسائل نسبي: دانسته ي يك فرد از يك چيز برابر است با پنداشت او از آن چيز، براي مثال وقتي نام پرنده به گوش كسي مي خورد
,  معمولا يك موجود كوچك را به ياد مي آورد با صداي زيبا و قابليت پرواز؛ در حالي كه اين موضوع براي همه ي پرندگان صدق نمي كند.
 
مثلا پنگوئن هيچكدام از اين ويژگي ها را ندارد! جان مكارتي اين موضوع را به عنوان يك مسئله نسبي در سال 1969 كشف كرد.
 
براي هر قضاوت صحيح (در تعريف عام) كه محققان هوش مصنوعي، سعي در پياده سازي آن داشتند، تعداد زيادي استثنا وجود داشت.
 
بنابراين، آنها به اين نتيجه دست يافتند كه در قضاوت عام، نمي توان يك چيز را مطلقا درست يا غلط دانست بلكه همه چيز نسبي است.
 
مثلا وقتي به شما مي گويند كه فلان شخص، خوب است يا بد؟ شما اول به مواردي توجه مي كنيد كه مهم تر هستند و بر اين اساس در مورد خوبي و بدي قضاوت مي كنيد. در حالي كه هيچ كس مطلقا خوب يا بد نيست!
 
در واقع شما اول به مواردي اهميت مي دهيد كه مهم تر است. محققان هوش مصنوعي هم با پياده كردن چنين الگوريتمي توانستند اين مشكلات را حل كنند
 
سطح وسيع اطلاعات مورد نياز براي قضاوت عام: منظور از قضاوت عام، همان نحوه قضاوتي است كه در بالا توضيح داده شد كه شما به نكاتي كه بيشتر اهميت دارند،
امتياز بيشتري اختصاص مي دهيد و آنها را ملاك قضاوت خود قرار مي دهيد.
 
اما اين نوع قضاوت، شايد در زندگي روزمره ما كار عادي اي شده باشد؛ اما در واقع براي كامپيوتر اين كار نياز به اطلاعات پايه اي زيادي در زمينه هستي شناسي و شناخت ويژگي هاي موجودات دارد.
 
محققان هوش مصنوعي مي بايست، مفاهيم دقيق و پيچيده اي را با دست خود، به كامپيوتر مي فهماندند
 
 

ادراك

 

درك ماشيني، به آنها اين امكان را مي دهد كه بتوانند با استفاده از سنسور هاي ورودي خود، نظير:
دوربين، ميكروفون ها و ديگر سنسور هاي عجيب و غريب  ؛ از محيط خود برداشت صحيحي داشته و بتواند محيط پيرامون خود را درك كند.
 
در اصل، بينايي كامپيوتري اين امكان را مي دهد كه كامپيوتر بتواند چيز هايي كه مي بيند را مورد تجزيه و تحليل قرار دهد.
 
چند مورد از آناليز هاي معروف در روبات ها عبارت است از : آناليز صحبت و صدا ها و تشخيص منظور، آناليز چهره ها و تشخيص حالات آن ها. مانند: خشم، ناراحتي، خنده و … ، آناليز اشياء پيرامون و تشخيص آنها.

 

با استفاده از انواع آناليز ها و تجزيه و تحليل هايي كه در بالا ذكر شدند، روبات ها قادر خواهند بود كه بسيار هوشمند تر از قبل عمل كنند.

 

مثلا در جا به جايي اجسام شيشه اي، دقت بيشتري كنند. براي كسي كه ناراحت و عصباني است، جك تعريف نكند! و سلام را با خداحافظ پاسخ ندهد
 

یادگیری عمیق 

 

 زیرگونه‌ای از یادگیری ماشینی است که اهمیت آن رو به افزایش است. در این مورد تنها از هوش مصنوعی عصبی یا همان شبکه‌های عصبی استفاده می‌شود.
اکثر کاربردهای امروزی هوش مصنوعی بر پایه‌ی یادگیری عمیق هستند.

 

به لطف امکان گسترش دادن سریع طراحی شبکه‌های عصبی و تبدیل کردن آن‌ها به سیستم‌هایی پیچیده‌تر و قوی‌تر با لایه‌های جدید مقیاس یادگیری عمیق را می‌توان به سادگی تغییر داد و آن را با کاربردهای بسیار زیادی منطبق کرد.

 

پردازش زبان طبيعی

 
 
پردازش زبان طبيعي، به ماشين هاي هوش مند اين قابليت را مي دهد كه زبان انسان ها را بخوانند و آنها را متوجه شوند.

 

بسياري از تحقيقات به اين نتيجه رسيد كه براي ايجاد قدرت كافي براي سيستم پردازش زبان طبيعي، نياز است كه اطلاعات زياد و كاملي را به اين سيستم ارائه كنيم
كه مي تواند با استفاده از خواندن متن هاي موجود در اينترنت انجام شود .
 
برنامه هايي كه هم اكنون در زمينه پردازش زبان طبيعي درست عمل مي كنند، از امكاناتي مانند: بازيابي اطلاعات، جستجو در متن ها و امكان ترجمه ماشيني بهره مند اند .
 

حركت و جا به جا كردن اجسام

 
تحقيقات در زمينه روبوتيك، بيش از هر چيزي به هوش مصنوعي وابسته است. روبات ها براي موارد بسيار زيادي نياز به هوشمندي دارند كه
از جمله آنها مي توان مواردي مانند: مسير يابي ، جا به جا كردن، اين كه بدانند كجا هستند
 
اين كه دركي از محيط خود داشته باشند و بتوانند براي حركت به سوي نقطه خاصي، برنامه ريزي نمايند و هدف خود را تعيين كنند.
بدين ترتيب هوش مصنوعي براي روبات ها بسيار پر كاربرد است و تقريبا در تمام زمينه هاي ذكر شده از آن استفاده مي نمايند

 

 

 

 

 

 

 


 

 

همین الان هم از هوش مصنوعی در بسیاری جاها استفاده می‌شود، ولی به هیچ وجه همه‌ی این کاربردها در نگاه اول آشکار نیستند.
بنابراین انتخاب کردن موقعیت‌هایی که از امکانات این تکنولوژی در آن‌ها بهره برده می‌شود، لزوما به تشکیل فهرستی کامل نمی‌انجامد.
 
مکانیزم‌های هوش مصنوعی برای تشخیص، شناسایی و دسته‌بندی اشیا و افراد در عکس‌ها ویدیوها بسیار کارآمد هستند.
برای رسیدن به این هدف، از مکانیزم ساده ولی سنگین تشخیص الگو استفاده می‌شود. اگر اطلاعات تصویر رمزگذاری نشده باشد و ماشین بتواند آن‌ها را بخواند،
عکس‌ها و ویدیوها را به سادگی می‌توان با این روش در دسته‌های مختلفی قرار داد که امکان جست‌وجو و یافتن آن‌ها وجود دارد.
چنین تشخیص‌هایی را همچنین می‌توان برای اطلاعات صوتی هم به کار برد.
 
استفاده از چت‌بات‌ها در بخش خدمات مشتریان روز به روز بیشتر می‌شود. این دستیارهای مبتنی بر متن، کار خود را با استفاده از تشخیص کلمات کلیدی در درخواست مشتری و نشان دادن واکنش متناسب با آن انجام می‌دهند.
با توجه به کاربردهای مختلف، این نوع دستیارها می‌توانند ساده‌تر یا پیچیده‌تر باشند.

 

تجزیه و تحلیل نظرات

 

 علاوه بر پیش‌بینی نتایج انتخابات در عالم سیاست، در بازاریابی و بسیاری حوزه‌های دیگر هم استفاده می‌شود.
«استخراج نظرات» (Opinion Mining) که همچنین با نام «تجزیه و تحلیل احساسات»
(Sentiment Analysis) هم از آن یاد می‌شود

 

برای جست‌وجو کردن اینترنت در مورد عقاید و عبارات احساسی به کار می‌رود.
با این روش‌ها می‌توان نظرسنجی‌هایی را به صورت ناشناس برگزار کرد.

 

الگوریتم‌های جست‌وجو 

 

مانند الگوریتم‌هایی که گوگل استفاده می‌کند، طبیعتا به شدت محرمانه هستند.
روش‌های محاسبه، رتبه‌بندی و نمایش نتایج جست‌وجو تا حد زیادی بر پایه‌ی مکانیزم‌هایی کار می‌کنند که از یادگیری ماشینی در آن‌ها استفاده می‌شود.

 

برنامه ريزی

موجودات و به طور كلي، چيز هاي هوشمند، بايد بتوانند هدف هايي را براي خود تعيين كرده و به آنها دست يابند.

براي اين كار اولا لازم است كه تصوري از آينده خود داشته باشيم. يعني وضع كنوني هدف مورد نظر را در نظر بگيريم و پيش بيني كنيم كه تصميماتي كه خواهيم گرفت، چگونه مي تواند بر آن تاثير بگزارد.
 
پس از اين كار بايد، براي رسيدن به بهترين نتيجه؛ از بين گزينه هايي كه داريم، بهترين و سودمند ترين آنها را انتخاب نماييم
پس تصميم گيري و برنامه ريزي از اين روش، كاري است كه بدون هوشمندي، نمي توان آن را انجام داد و فقط موجودات هوشمند از پس آن بر مي آيند!
 
در مسائل كلاسيكي كه در مورد برنامه ريزي وجود داشت، عامل هوشمند مي توانست
فرض كند كه تنها يك چيز (هدف مورد نظر) در جهان فعال است و احتمالا مي توان نتيجه آن را تغيير داد.

 

بنا بر اين هدف مورد نظر تعيين مي شد و براي آن راه حل هايي ارائه مي گرديد.
همچنين عامل هوشمند – كه ميتواند برنامه و يا هر چيز ديگري باشد 

 

به طور مرتب و دائمي چك مي كرد كه پيشگويي هايش درست باشد و اگر اينطور نبود،
راه حل مورد نظر براي هدفش را تغيير مي داد در اين مورد مي توانيد يك روبوت را در نظر بگيريد

 

كه مي خواهد از يك مسير مارپيچ عبور نمايد. اين روبوت ابتدا هر يك از اين مسير ها را امتحان مي كند و اگر هر كدام از آنها به بن بست،
بر خورد، آن را به حافظه مي سپارد تا دوباره تكرارش نكند و اين عمل را آنقدر ادامه مي دهد كه راه خودش را بيابد! ( اين يك تعريف بسيار ساده بود )
 

مقايسه، استدلال و حل مسائل

خيلي زود توسعه دهندگان هوش مصنوعي به اين نتيجه رسيدند كه بايد در الگوريتم هاي خود از نحوه حل مساله ((گام به گام)) استفاده كنند.
در واقع انسان ها هم معمولا براي حل مواردي از جمله: ساختن پازل و … از اين روش استفاده مي كنند.

 

آنها همچنين توانستند كه پس از دهه هاي 80 و 90 الگوريتم هاي موفقيت آميزي را  براي درك داده ها و اطلاعات نا كامل عرضه كنند
كه اين الگوريتم ها از احتمالات، براي درك اين اطلاعات استفاده مي كردند براي حل مسائل سخت، بيشتر اين الگوريتم ها به كامپيوتر هاي بزرگ و قدرتمندي براي پردازش نياز داشتند.
 
بسياري از اين الگوريتم ها به مقدار زيادي حافظه (رم) نياز داشتند و حتي در صورت فراهم آمدن آن، با وجود سخت افزار هاي آن زمان، مدت مورد نياز براي پردازش نجومي بود.
بنابراين مي توان اين مساله را دريافت كه: جستجو براي الگوريتم هاي بهتر و موثر تر در آن زمان، از اولويت هاي اصلي پژوهشگران هوش مصنوعي بود .
 
انسان براي حل مسائل خود خيلي سريع عمل مي كند چيزي كه بايد فهميد اين است كه اگر چه انسان در جمع و تفريق اعداد از كامپيوتر شكست مي خورد،
اما مساله فقط جمع و تفريق نيست در واقع اولين گام براي حل مساله درك آن است و اين چيزي است كه براي انسان بسيار ساده و براي كامپيوتر ها بسيار سخت است.

 

بر اين اساس آنها به تحقيقات زيادي پرداختند و به اين نتيجه رسيدند كه بايد براي بازدهي بيشتر از شبكه هاي عصبي استفاده كنند.
اين كار به آنها كمك مي كرد تا بتوانند به ساختار اعصاب و مغز انسان و ساير حيوانات نزديك تر شوند
 
 
در تراشه‌های جدید گوشی‌های هوشمند مانند تراشه‌ی Kirin 970 شرکت هواوی، هوش مصنوعی بخش ویژه‌ای برای خودش به نام NPU
یا «واحد پردازش عصبی» (Neural Processing Unit) دارد.

 

کوالکام هم حدود دو سال است که روی NPU خاص خودش به نام پردازشگر Zeroth کار می‌کند. تراشه‌ی A11 Bionic اپل هم بخش مشابهی را در خودش جای داده است.

 

علاوه بر این پژوهش‌های مختلف دیگری هم روی هوش مصنوعی در حال پیگیری است که شاید برجسته‌ترین آن‌ها پروژه‌ی «واتسون» (Watson) شرکت IBM باشد.
این برنامه‌ی کامپیوتری پیش از این اولین حضور عمومی خود را در یک مسابقه‌ی تلویزیونی اطلاعات عمومی در سال ۲۰۱۱ تجربه کرد.

 

واتسون در این برنامه به رقابت با دو انسان پرداخت و مسابقه را برد. این هوش مصنوعی پس از آن چند بار دیگر هم در رویدادهای مشابهی ظاهر شد.
یک شرکت بیمه‌ی ژاپنی از ابتدای سال ۲۰۱۷ میلادی استفاده از واتسون را برای بررسی سوابق و اطلاعات پزشکی مشتریان و ارزیابی آسیب‌ها و بیماری‌ها آغاز کرده است.

 

بر اساس اطلاعات منتشر شده از این شرکت بیمه، هوش مصنوعی واتسون تقریبا جایگزین ۳۰ کارمند شده است.

 

از دست دادن شغل در اثر خودکارسازی تنها یکی از مشکلات اخلاقی و اجتماعی مورد بحث در مورد هوش مصنوعی است
که شرکت‌های بزرگ و دانشگاه‌ها در مورد آن پژوهش می‌کنند.

 

 

 

 

 

0 پاسخ به "هوش مصنوعی"

    ارسال یک پیغام

    نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

    یازده + هجده =

    کپی رایت آکادمی ITperfection.